Impara Autovalori e Autovettori | Algebra Lineare e Operazioni con Matrici

Scorri per mostrare il menu

Autovalori e autovettori sono concetti fondamentali nell'algebra lineare, ampiamente utilizzati per analizzare come le trasformazioni lineari influenzano i dati. Data una matrice quadrata A, un autovettore è un vettore non nullo x che, quando viene moltiplicato per A, produce un vettore che ha la stessa direzione di x, ma viene scalato per un fattore costante chiamato autovalore.

La relazione tra la matrice, l'autovettore e l'autovalore è:

$A \mathbf{x} = \lambda \mathbf{x}$

$A$ è una matrice quadrata che rappresenta una trasformazione lineare;
$\mathbf{x}$ è un vettore colonna non nullo (l'autovettore);
$\lambda$ è uno scalare (l'autovalore).

Questa formula significa che applicare $A$ a $\mathbf{x}$ allunga o riduce $\mathbf{x}$ del fattore $\lambda$ , ma non ne cambia la direzione. Autovalori e autovettori rivelano proprietà chiave delle matrici, come stabilità, assi principali e modi caratteristici, che sono essenziali nelle applicazioni scientifiche e ingegneristiche.


              1234567891011121314
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

print("Eigenvalues:")
print(eigenvalues)
print("\nEigenvectors (each column corresponds to an eigenvector):")
print(eigenvectors)

Dopo aver calcolato autovalori e autovettori, spesso si desidera verificare che soddisfino l'equazione fondamentale A x = λ x. Utilizzando i risultati di scipy.linalg.eig, è possibile controllare questa relazione per ogni coppia autovalore-autovettore moltiplicando la matrice originale per un autovettore e confrontandolo con il prodotto dell'autovalore e dello stesso autovettore.


              1234567891011121314151617181920212223242526
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

# Select the first eigenvalue and eigenvector
idx = 0
lambda_ = eigenvalues[idx]
x = eigenvectors[:, idx]

# Compute A @ x and lambda * x
Ax = A @ x
lambdax = lambda_ * x

print("A @ x:")
print(Ax)
print("\nλ * x:")
print(lambdax)

# Check if the two results are approximately equal
print("\nAre they approximately equal?", np.allclose(Ax, lambdax))

Autovalori e autovettori trovano applicazione in numerosi ambiti della fisica e dell'ingegneria. In fisica, sono fondamentali per l'analisi di sistemi di equazioni differenziali, nella meccanica quantistica (per la determinazione degli stati energetici) e nello studio delle vibrazioni o dei modi normali nei sistemi meccanici. In ingegneria, vengono utilizzati nell'analisi della stabilità, nell'analisi delle componenti principali (PCA) per la riduzione dei dati e nella progettazione di strutture per prevedere le frequenze di risonanza. Comprendere autovalori e autovettori consente di risolvere sistemi complessi, ottimizzare processi e interpretare il comportamento sottostante dei fenomeni reali.

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 3

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Sezione 2. Capitolo 3

Autovalori e Autovettori

1. Quale funzione di SciPy viene utilizzata per calcolare autovalori e autovettori?

2. Qual è il significato degli autovalori nelle applicazioni scientifiche?

3. Come puoi verificare che un vettore sia un autovettore di una matrice?